張永梅，顧 琳，李 強(qiáng)

（北方工業(yè)大學(xué) 信息工程學(xué)院，北京100144）

0 引 言

判定圖像中是否存在機(jī)場(chǎng)目標(biāo)區(qū)域是機(jī)場(chǎng)目標(biāo)檢測(cè)的主要任務(wù)，是遙感圖像處理的一個(gè)重要應(yīng)用，也是計(jì)算機(jī)視覺(jué)領(lǐng)域與模式識(shí)別領(lǐng)域的重要研究方向［1，2］。

由于單一特征無(wú)法完整描述目標(biāo)，可能造成某些具有平行長(zhǎng)直線特性 （如道路）或與機(jī)場(chǎng)具有相似紋理特征的非機(jī)場(chǎng)圖像被檢測(cè)為存在機(jī)場(chǎng)區(qū)域，給后續(xù)的識(shí)別與變化檢測(cè)帶來(lái)困難。利用單一特征進(jìn)行機(jī)場(chǎng)目標(biāo)識(shí)別的局限性較大。本文提出一種基于整體特征和局部特征互補(bǔ)的多光譜圖像的機(jī)場(chǎng)檢測(cè)方法。提取圖像的整體輪廓特征，在整體特征的指導(dǎo)下提取局部特征，建立感興趣機(jī)場(chǎng)目標(biāo)區(qū)域的完整特征描述，實(shí)現(xiàn)機(jī)場(chǎng)目標(biāo)檢測(cè)。

1 基于整體特征和局部特征的多光譜圖像的機(jī)場(chǎng)檢測(cè)方法

根據(jù)目前的研究成果，機(jī)場(chǎng)檢測(cè)方法大致分為3 類(lèi)：邊緣提取檢測(cè)、區(qū)域分割檢測(cè)和模板特征點(diǎn)匹配檢測(cè)。邊緣提取檢測(cè)是根據(jù)機(jī)場(chǎng)跑道的平行長(zhǎng)直線特性，區(qū)域分割檢測(cè)則是基于機(jī)場(chǎng)與周?chē)匚锛y理的差異性，模板特征點(diǎn)匹配檢測(cè)是建立機(jī)場(chǎng)模型，在原始圖像和待測(cè)圖像上相對(duì)應(yīng)的位置提取局部不變特征點(diǎn)并匹配來(lái)檢測(cè)是否存在機(jī)場(chǎng)。一些研究，如張立平和張紅等利用二叉樹(shù)辨識(shí)通過(guò)自適應(yīng)閾值分割得到的機(jī)場(chǎng)感興趣區(qū)域，在大場(chǎng)景高分辨率圖像的機(jī)場(chǎng)識(shí)別中取得了較好的效果［3］；周延延和吳曉燕的基于句法的機(jī)場(chǎng)檢測(cè)方法［4］機(jī)場(chǎng)目標(biāo)檢測(cè)率較高。

眾所周知，跑道的直線特性是機(jī)場(chǎng)最明顯的特征之一。傳統(tǒng)的機(jī)場(chǎng)檢測(cè)中，大多數(shù)方法也都提取了機(jī)場(chǎng)跑道的直線特征［5，6］。此類(lèi)方法首先對(duì)輸入圖像進(jìn)行去噪操作以減少相關(guān)噪聲的干擾；然后利用如Sobel、Canny、Robert等邊緣算子提取圖像的邊緣，對(duì)得到的邊緣圖像進(jìn)行有方向約束的邊緣跟蹤，找出所有可能的直線段，并對(duì)這些直線段進(jìn)行連接，將滿(mǎn)足一定條件的直線段合并成為一條連接線，作為最終的直線提取結(jié)果；最后，提取平行直線對(duì) （一般為最長(zhǎng)的平行直線對(duì)），根據(jù)機(jī)場(chǎng)的相關(guān)先驗(yàn)知識(shí)，進(jìn)一步驗(yàn)證是否為機(jī)場(chǎng)目標(biāo)。這類(lèi)方法的原理比較簡(jiǎn)單，軟件實(shí)現(xiàn)起來(lái)也并不困難，但是在實(shí)際情況中機(jī)場(chǎng)具有多樣性、復(fù)雜性，使得機(jī)場(chǎng)的直線特征可能并不是特別明顯，而且在機(jī)場(chǎng)周?chē)埠苡锌赡艹霈F(xiàn)具有直線特征的目標(biāo)物，基于跑道檢測(cè)的機(jī)場(chǎng)識(shí)別方法具有一定的局限性［7］。

本文方法不同于傳統(tǒng)的機(jī)場(chǎng)檢測(cè)方法，不依據(jù)跑道的直線特征來(lái)判定機(jī)場(chǎng)區(qū)域。本文所提出的機(jī)場(chǎng)檢測(cè)方法的整體流程如圖1所示。

圖1 本文方法機(jī)場(chǎng)檢測(cè)的整體流程

首先，對(duì)多光譜圖像進(jìn)行銳化、濾波、分割、形態(tài)學(xué)處理；然后進(jìn)行特征提取，提取輪廓特征、紋理特征、顏色特征；最后用SVM 進(jìn)行分類(lèi)識(shí)別。

2 特征提取

圖像能夠直觀、形象地傳遞人們所需要的信息。但是在實(shí)際應(yīng)用中，若對(duì)所有的信息都進(jìn)行加工處理，這將是一個(gè)巨大的工程。有選擇性的提取圖像特征，能夠很好地解決這一問(wèn)題。依據(jù)整體和局部的關(guān)系，可以將特征分為整體和局部特征［8］。

在提取特征時(shí)，整體特征能夠從全局的角度來(lái)衡量靜態(tài)圖像的特征，常用的整體特征有矩特征、輪廓特征等［9］。局部特征是反映目標(biāo)區(qū)域的特征，常用的局部目標(biāo)特征有紋理特征、顏色特征、邊緣特征、不變矩特征等［10］。本文選取輪廓特征作為整體特征進(jìn)行粗分類(lèi)，進(jìn)一步提取紋理特征和顏色特征這兩個(gè)局部特征進(jìn)行細(xì)分類(lèi)，從而檢測(cè)出感興趣機(jī)場(chǎng)區(qū)域。

2.1 預(yù)處理

從傳感器獲取的遙感圖像，由于設(shè)備的誤差或環(huán)境的干擾，會(huì)產(chǎn)生一系列的噪聲，使得地物邊緣輪廓部分往往不突出。為了更加充分地利用圖像的輪廓信息，更好地獲取輪廓特征，需要對(duì)圖像進(jìn)行增強(qiáng)處理。增強(qiáng)的目的是為了消除噪聲，顯現(xiàn)那些被模糊了的細(xì)節(jié)或突出圖像中我們感興趣的特征。圖像增強(qiáng)技術(shù)有空間域增強(qiáng)和頻率域增強(qiáng)這兩大類(lèi)，在實(shí)際應(yīng)用中可根據(jù)不同的需要選擇不同的方法。

本文采用的圖像增強(qiáng)處理方法包含的具體實(shí)現(xiàn)步驟為：首先，使用拉普拉斯算子對(duì)圖像進(jìn)行銳化操作使其細(xì)節(jié)變得更加清晰、輪廓得到補(bǔ)償、邊緣及灰度跳變的部分得到增強(qiáng)，從而達(dá)到圖像的整體銳化效果；然后，針對(duì)拉普拉斯算子銳化增強(qiáng)細(xì)節(jié)信息而引入的某些高頻噪聲問(wèn)題，使用3×3的方形滑動(dòng)窗口中值濾波方法對(duì)圖像進(jìn)行降噪處理，在有效降低噪聲的同時(shí)能夠較好地保留圖像的細(xì)節(jié)。通過(guò)這兩個(gè)步驟的處理，可以明顯改善圖像的清晰度［11］。選取其中的2組多光譜圖像，效果如圖2所示。

2.2 整體輪廓特征提取

人類(lèi)視覺(jué)在檢測(cè)目標(biāo)的時(shí)候，到底是由整體到局部，還是局部到整體呢？特征分析理論認(rèn)為，視覺(jué)從局部開(kāi)始，逐步形成對(duì)整體的描述。拓?fù)渲X(jué)理論認(rèn)為，局部圖形之間的視覺(jué)排列決定了整體要優(yōu)先于局部。格式塔心理學(xué)認(rèn)為整體大于部分之和，并且決定了部分的感知。Navon認(rèn)為整體要比局部知覺(jué)發(fā)生在更早階段。整體特征的提取方法包括圖像分割和特征描述兩部分。特征描述中，輪廓特征具有直觀、簡(jiǎn)單，符合人眼觀察目標(biāo)的機(jī)制，所以本文選用輪廓作為描述整體特征的方式。

在遙感圖像中，不同的地物輻射能量值不同。地物的輪廓是輻射能量值發(fā)生突變的地方，它標(biāo)志著一類(lèi)地物的開(kāi)始和另一類(lèi)地物的終結(jié)。通過(guò)輪廓提取，即可區(qū)分不同的地物，得到許多個(gè)感興趣目標(biāo)區(qū)域。絕大多數(shù)機(jī)場(chǎng)都是建立在城市的郊區(qū)，而郊區(qū)有許多的綠色植被。這是很明顯的不同類(lèi)地物目標(biāo)。再者，就機(jī)場(chǎng)目標(biāo)本身而言，它的相對(duì)面積比較大。因此，本文首先從整體上提取多光譜圖像的輪廓特征，得到若干個(gè)輪廓。用面積值來(lái)量化輪廓特征，并假定面積值大于一定像素值的被確定為潛在的機(jī)場(chǎng)區(qū)域。對(duì)圖像進(jìn)行分割和形態(tài)學(xué)處理后，提取圖像的輪廓。

圖2 圖像增強(qiáng)效果

分別遍歷篩選出來(lái)的符合條件的輪廓圖像pi，并記錄每一個(gè)點(diǎn)的坐標(biāo)pij（xij，yij），其中，xij、yij分別表示圖像pi的第j 個(gè)點(diǎn)的橫坐標(biāo)和縱坐標(biāo)。找出4 個(gè)點(diǎn)對(duì)pij（xij，yij），分別為輪廓圖像的最左、最右、最上、最下角的點(diǎn)的坐標(biāo)。以原圖像的坐標(biāo)軸為參考標(biāo)準(zhǔn)，以這4個(gè)點(diǎn)分別畫(huà)出4條直線，形成一個(gè)矩形并對(duì)應(yīng)到原圖中，從而得到各個(gè)潛在機(jī)場(chǎng)區(qū)域。原圖像1和原圖像2的各潛在區(qū)域如圖3所示。

通過(guò)整體的輪廓特征得到機(jī)場(chǎng)潛在區(qū)域后，并不能非常明確地給出原圖像是否存在機(jī)場(chǎng)目標(biāo)，還需要更進(jìn)一步地處理。本文在整體特征的指導(dǎo)下，提取局部紋理特征和局部顏色特征。

2.3 局部特征提取

局部特征是能夠有效區(qū)分目標(biāo)類(lèi)別，反映目標(biāo)區(qū)域特性的目標(biāo)特征。常用的局部目標(biāo)特征包括紋理、邊緣、顏色、不變矩等特征，和整體特征相比，局部特征對(duì)目標(biāo)的描述更加靈活、豐富、高效。

圖3 各個(gè)潛在區(qū)域

2.3.1 局部紋理特征提取

由于機(jī)場(chǎng)目標(biāo)的特殊性質(zhì)，在圖像上表現(xiàn)出明顯的紋理特征，紋理特征能從細(xì)節(jié)上對(duì)圖像進(jìn)行描述。本文采用基于統(tǒng)計(jì)分析的紋理特征提取算法灰度共生矩陣，來(lái)提取各個(gè)潛在機(jī)場(chǎng)區(qū)域的紋理特征，并采用相關(guān)性小的角二階矩、慣性矩、熵、相關(guān)性這4個(gè)特征值來(lái)描述紋理特征。G（i，j）表示灰度共生矩陣，4個(gè)特征值的具體定義如下所示

其中，角二階矩 （angular second moment，ASM），又稱(chēng)為能量 （energy），反映了圖像紋理的粗細(xì)度和圖像灰度分布的均勻度。如果共生矩陣中有的值很大，有的值很小，則ASM 值大。慣性矩也稱(chēng)為對(duì)比度 （contrast，CON），表示紋理的清晰度，其計(jì)算結(jié)果大時(shí)，表明圖像的紋理裂溝比較深，圖像看起來(lái)就越清晰。熵 （entropy，ENT）表示圖像復(fù)雜程度，如果圖像上含有很多細(xì)膩復(fù)雜的紋理，則表明圖像信息量大，對(duì)應(yīng)的熵也就最大。相關(guān)性 （correlation，COR）反映的是圖像中鄰域灰度的相關(guān)性［12］。原圖像1的4個(gè)潛在區(qū)域的紋理特征的特征值見(jiàn)表1。

表1 潛在區(qū)域的紋理特征值

從表1的各紋理特征值可以看出，包含真實(shí)機(jī)場(chǎng)區(qū)域的潛在區(qū)域4相對(duì)于其它3個(gè)非機(jī)場(chǎng)區(qū)域來(lái)說(shuō)，其紋理變化緩慢，灰度分布較均勻，紋理清晰度較高，紋理復(fù)雜度低，鄰域灰度的相關(guān)性較差。

2.3.2 局部顏色特征提取

HSV 顏色空間中的3個(gè)互相獨(dú)立的顏色信道，即飽和度、色調(diào)和亮度與人眼系統(tǒng)對(duì)顏色的感知有著密切聯(lián)系，是比較符合人眼對(duì)彩色感知的顏色空間之一。人眼系統(tǒng)對(duì)色調(diào)H 最為敏感，其次是飽和度S，最后是亮度V。利用顏色矩來(lái)表示圖像的顏色特征是一種常用而且有效的方法，圖像的顏色分布主要集中在低階矩中。因此，本文分別選取HSV 顏色空間中的色調(diào)和飽和度的一階矩和二階矩來(lái)表示圖像的顏色特征。

RGB顏色空間到HSV 顏色空間的映射

其中，MAX 是RGB顏色空間中R、G、B三通道分量的最大值和最小值［13］。轉(zhuǎn)換到HSV 顏色空間后，分離出飽和度和色調(diào)兩個(gè)通道進(jìn)行單獨(dú)處理，分別提取顏色一階矩和二階矩。顏色一階矩和二階矩的計(jì)算公式分別為式（8）和式（9）。

其中，N 表示圖像像素的數(shù)目，pij表示圖像的第j 個(gè)像素的第i個(gè)顏色分量。原圖像1的4個(gè)潛在區(qū)域的顏色特征的特征值見(jiàn)表2。

表2 潛在區(qū)域的顏色特征值

3 目標(biāo)機(jī)場(chǎng)區(qū)域檢測(cè)

本文使用SVM 分類(lèi)器對(duì)潛在區(qū)域進(jìn)行進(jìn)一步分析，從而確定是否為感興趣機(jī)場(chǎng)目標(biāo)區(qū)域。在經(jīng)常使用的5 種SVM 核函數(shù)中，使用最多的是徑向基 （RBF）核函數(shù)，這種核函數(shù)廣泛適用于低、高維、小樣本、大樣本的情況，而且它參數(shù)少，適用性強(qiáng)。所以本文采用核函數(shù)為徑RBF的SVM 分類(lèi)器判斷該區(qū)域是否真的是機(jī)場(chǎng)目標(biāo)區(qū)域。關(guān)于SVM 的具體介紹請(qǐng)參見(jiàn)文獻(xiàn) ［14］。

4 實(shí)驗(yàn)結(jié)果與分析

將上文提到的輪廓特征、紋理特征和顏色特征組成特征向量來(lái)描述這些區(qū)域，并輸入到SVM 分類(lèi)器。對(duì)圖3中的各個(gè)潛在區(qū)域進(jìn)行識(shí)別，識(shí)別結(jié)果見(jiàn)表3和表4。

表3 原圖像1的檢測(cè)結(jié)果

表4 原圖像2的檢測(cè)結(jié)果

其中，表3是對(duì)原圖像1的識(shí)別結(jié)果的統(tǒng)計(jì)，表4 是對(duì)原圖像2的識(shí)別結(jié)果統(tǒng)計(jì)。從結(jié)果可以看出，本文方法能夠有效地對(duì)潛在區(qū)域進(jìn)行檢測(cè)，明確地給出包含目標(biāo)機(jī)場(chǎng)的區(qū)域。

為檢驗(yàn)本文方法的有效性，選取了100 幅不同區(qū)域的多光譜機(jī)場(chǎng)圖像進(jìn)行實(shí)驗(yàn)，并將實(shí)驗(yàn)結(jié)果與其它方法對(duì)比，對(duì)比結(jié)果見(jiàn)表5。

表5 機(jī)場(chǎng)檢測(cè)對(duì)比結(jié)果

由表5的對(duì)比結(jié)果可知，本文方法具有較高的機(jī)場(chǎng)檢測(cè)準(zhǔn)確率和較低的誤檢率。

5 結(jié)束語(yǔ)

不同于傳統(tǒng)的機(jī)場(chǎng)直線特征檢測(cè)方法，本文提出一種基于整體特征和局部特征互補(bǔ)的多光譜圖像的機(jī)場(chǎng)檢測(cè)方法。在整體輪廓特征的指導(dǎo)下提取機(jī)場(chǎng)潛在區(qū)域的局部特征，能夠有效地檢測(cè)出機(jī)場(chǎng)區(qū)域。而對(duì)于機(jī)場(chǎng)的準(zhǔn)確定位，本文的方法存在不足，有待進(jìn)一步優(yōu)化。另外，機(jī)場(chǎng)檢測(cè)中其它的特征也值得考慮和研究，如具有旋轉(zhuǎn)不變性和平移不變性的形狀特征。后續(xù)工作中，將深入研究這些問(wèn)題和因素。

［1］KONG Xiangwei，ZHAO Quanshun.The research of airport recognition technology in remote sensing image ［D］.Dalian：Dalian University of Technology，2011 （in Chinese）. ［孔祥維，趙全順.遙感圖像中機(jī)場(chǎng)識(shí)別技術(shù)研究 ［D］.大連：大連理工大學(xué)，2011.］

［2］WANG Bin，WANG Xin.The airport detection in remote sensing image based on selective visual attention mechanism［D］.Shanghai：Fudan University，2012 （in Chinese）. ［王斌，王鑫.基于選擇性視覺(jué)注意機(jī)制的遙感圖像機(jī)場(chǎng)檢測(cè)［D］.上海：復(fù)旦大學(xué)，2012.］

［3］ZHANG Liping，ZHANG Hong，WANG Chao，et al.The rapid detection method of airport in large and high－resolution SAR images［J］.China Image and Graphics，2010，15 （7）：1110－1122 （in Chinese）.［張立平，張紅，王超，等.大場(chǎng)景高分辨率SAR 圖像中機(jī)場(chǎng)快速檢測(cè)方法 ［J］.中國(guó)圖象圖形學(xué)報(bào)，2010，15 （7）：1110－1122.］

［4］ZHOU Yanyan，WU Xiaoyan.The authentication methods of target recognition model based on neural network ［J］.Computer Engineering and Applications，2010，46 （7）：145－147（in Chinese）.［周延延，吳曉燕.基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別模型驗(yàn)證方法研究 ［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46 （7）：145－147.］

［5］DONG Yinwen，YUAN Bingcheng，SHI Zhaoming，et al.The automatic recognition algorithm of airport runway in aerial imagery based line feature［J］.Systems Engineering and Electronics，2013，35 （4）：876－879 （in Chinese）. ［董銀文，苑秉成，石釗銘，等.基于直線特征的航拍圖像機(jī)場(chǎng)跑道自動(dòng)識(shí)別算法［J］.系統(tǒng)工程與電子技術(shù)，2013，35 （4）：876－879.］

［6］CHEN Xuguang，LIN Hui.The airport recognition method in remote sensing image［J］.Computer Engineering and Applications，2012，48 （25）：194－197 （in Chinese）. ［陳旭光，林卉.遙感圖像中機(jī)場(chǎng)目標(biāo)的識(shí)別方法 ［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48 （25）：194－197.］

［7］CHEN Ren，ZHAO Guangzhou.The airport target recognition research status at home［J］.Micro Computer and Application，2013，32 （11）：1－6 （in Chinese）. ［陳仁，趙廣州.國(guó)內(nèi)機(jī)場(chǎng)目標(biāo)識(shí)別研究現(xiàn)狀 ［J］.微型機(jī)與應(yīng)用，2013，32 （11）：1－6.］

［8］Wang X，Lv Q，Wang B，et al.Airport detection in remote sensing images：A method based on saliency map ［J］.Cognitive Neurodynamics，2013，7 （2）：143－154.

［9］SUN Xinghua，LIU Kun.Recognition based on the overall characteristics of human action ［D］.Nanjing：Nanjing University of Science and Technology，2009 （in Chinese）. ［孫興華，劉堃.基于整體特征的人體動(dòng)作的識(shí)別 ［D］.南京：南京理工大學(xué)，2009.］

［10］Gonzalez，Alvaro，Bergasa.Text detection and recognition on traffic panels from street－level imagery using visual appearance［J］.IEEE Transactions on Intelligent Transportation Systems，2014，15 （1）：228－238.

［11］MA Huadong，ZHANG He.The method of text extraction from video based on color clustering and connectivity analysis［D］.Beijing：Beijing University of Posts and Telecommunications，2011 （in Chinese）.［馬華東，張赫.基于顏色聚類(lèi)和連通域分析的視頻文本提取方法 ［D］.北京：北京郵電大學(xué)，2011.］

［12］ZHANG Honggang，LIU Lixia.The comparation and study about image texture features［D］.Beijing：Beijing University of Posts and Telecommunications，2011 （in Chinese）.［張洪剛，劉麗霞.圖像紋理特征研究和比較 ［D］.北京：北京郵電大學(xué)，2011.］

［13］Rafael C Gonzalez，Richard E Woods.Digital image processing ［M］.3rd ed.Electronic Industry Press，2010.

［14］YANG Hai，SHEN Haibin.The research and application of SVM kernel parameter optimization ［D］.Zhejiang：Zhejiang University，2014 （in Chinese）.［楊海，沈海斌.SVM 核參數(shù)優(yōu)化研究與應(yīng)用 ［D］.浙江：浙江大學(xué)，2014.］